1

Variación geográfica del precio de la vivienda en Montevideo: análisis

de determinantes y medición de efecto barrios.

Estudio aplicado entre 2001-2014 1,2

Federico Veneri y Bibiana Lanzilottaa,b

Junio 2016

Abstract Este trabajo busca aportar información sobre los determinantes del precio de las viviendas desde

la microeconomía. En concreto, el objetivo del presente trabajo es estimar la existencia de efectos

idiosincráticos (denominados “efectos barrios”) que tengan incidencia en los precios de las

viviendas en Montevideo. Para ello, se recurre a modelos de econometría espacial para datos de

panel y mediante la derivación de efectos fijos es posible derivar una aproximación a los efectos

idiosincráticos.

Para el mercado de Propiedad Común, los resultados indican que el precio promedio de la

Propiedad Horizontal, el ingreso de los hogares, el metraje promedio de las transacciones y los

efectos geográficos resultaron ser significativos para explicar el valor promedio de las viviendas.

Para la Propiedad Horizontal el efecto del precio de la Propiedad Común, la profundidad del

mercado (aproximada mediante las transacciones sobre el stock de viviendas), el metraje

promedio y los efectos geográficos resultaron ser significativos.

Finalmente, a partir de los efectos fijos estimados y técnicas de análisis de clúster se identificaron

tres subgrupos de barrios que presentan comportamientos similares en cuanto a sus efectos fijos.

Key words: Mercado de vivienda, precios hedónicos, Modelos de Panel espacio

temporales.

JEL: R31, C23

1Este documento fue realizado en el marco de las actividades de investigación promovidas por el Centro

de Estudios Económicos de la Industria de la Construcción (CEEIC). Los comentarios y conclusiones no representan la visión del Centro, siendo esta responsabilidad de los autores. 2 Los autores agradecen los valiosos comentarios de Sofía Harguindeguy, Santiago Rego y Magdalena Domínguez. a Centro de Investigaciones Económicas (CINVE), Montevideo, Uruguay b Facultad de Ciencias Económicas y Administración, Universidad de la República, Montevideo, Uruguay.

2

Introducción

El objetivo de este documento es estimar los determinantes del precio de la vivienda en

Montevideo incluyendo la dimensión espacial como un factor más que incide en el precio.

Siendo la consideración de efectos geográficos una innovación respecto a estudios

previos para Montevideo.

La relevancia en estudiar el precio de las viviendas y los determinantes del mismo se

encuentra en que el valor de este activo tiene un importante impacto tanto en el bienestar

de las familias como en la economía en general. En este sentido, de acuerdo a la Instituto

Nacional de Estadística en 2014 se registraron aproximadamente 11.500 operaciones de

compraventa en Montevideo. Tomando el precio promedio del metro cuadrado estas

operaciones representaron aproximadamente 1.200 millones de dólares (equivalente al

2,1% del PIB). Mientras que siguiendo a la Encuesta Continua de Hogares de 2014 el

59% de los hogares uruguayos son propietarios (50% ya pagaron su vivienda y el restante

9% del total de hogares se encuentra pagando su vivienda), y el 18% son hogares

inquilinos o arrendatarios. En este contexto, considerando a la vivienda como un activo

para las familias uruguayas, los cambios en el valor de los inmuebles incide de manera

significativa en la riqueza de los hogares, en el acceso a crédito hipotecario y en el pago

potencial de alquiler.

Por lo tanto, este documento intenta aportar información sobre los determinantes del

precio de las viviendas, incorporando la dimensión espacial al análisis. En la literatura su

consideración es reciente, y ha sido abordado desde diferentes enfoques. Entre los más

relevantes se reconoce el enfoque en la dinámica espacial de los precios, que ha buscado

la medición de mecanismo de ajuste y difusión de shock (Brady 2014, Cohen, Ioannides,

Thanapisitikul, 2016). En tanto un enfoque basado en precios hedónicos, ha centrado su

interés en la derivación de la valoración marginal de ciertos bienes públicos como los

espacios verdes, el impacto de carreteras, o distancia a centros de actividad3 (De Bruyne

y Van Hove, 2013).

El documento seguirá el trabajo realizado por Baltagi y Bresson (2011), en el que plantean

resultados teóricos para modelos de panel de ecuaciones simultáneas que incorporen

efectos espaciales. En su trabajo se realiza una aplicación empírica del modelo, utilizando

como variable explicativa el precio promedio del metro cuadrado por quartiers4

(segmentando por tipo de vivienda) de París para el periodo 1990–2003 tomando como

variables explicativas las características de las transacciones realizadas en cada quartier.

Siguiendo a estos autores, el presente trabajo propone utilizar datos de promedios por

barrios de Montevideo.

A nivel local, existen pocos trabajos que incorporen la dimensión espacial al análisis de

la formación de precio de las viviendas en Montevideo. El objetivo de este documento es

3 Los siguientes trabajos son algunos ejemplos que no pretende ser taxativo. 4 Agrupaciones geográficas basadas en barrios administrativos, constituyen el nivel más bajo de desagregación

administrativa de Paris.

3

entonces aportar elementos a esta discusión desde la óptica microeconómica aplicando

metodología de econometría espacial para datos de panel. Se pretende estimar los efectos

idiosincráticos (“efectos barrios”) que tengan incidencia en los precios de las viviendas

en Montevideo

El documento se estructura de la siguiente manera. La primera sección analiza los

determinantes de los precios de las viviendas considerados en la literatura económica. A

continuación, se presentan los antecedentes nacionales relevantes para este estudio.

Luego, en los tres capítulos siguientes se presentan cimientos sobre los que se elabora

este trabajo: descripción de la metodología utilizada, de los datos y la caracterización del

mercado inmobiliario. Para dar lugar a la sexta sección, en donde se presentan los

resultados de las estimaciones. Finalmente se cierra el documento con las conclusiones.

Determinantes de los precios en el mercado inmobiliario

Los determinantes de los precios de las viviendas han sido ampliamente estudiados por

la literatura económica internacional como nacional, reconociéndose dos diferentes

enfoques: (i) modelos en donde los precios son aproximados por características

macroeconómicas y (ii) modelos de precios hedónicos, en donde el valor se determina

por los precios implícitos que le otorgan los agentes a cada una de las características o

atributos de la vivienda.

En primer lugar, se encuentran los estudios que intentan identificar las principales

características de la evolución del precio de las viviendas a través de un enfoque

estructural, en donde buscan encontrar los mecanismos de ajuste de los precios de las

viviendas a partir de modelos de equilibrio. Dentro de estos, se reconocen como

antecedentes más recientes para Uruguay los trabajos realizados por el CEEIC5 que

centran su atención en los determinantes macroeconómicos del precio de compraventa y

alquiler de las viviendas en Montevideo.

En segundo lugar, se encuentran los modelos de precios hedónicos6, que platean que el

precio de una vivienda puede ser determinado en función de las características

observables. Estas características tienen un precio implícito el cual puede ser aproximado

mediante los coeficientes de un modelo de regresión (Triplet, 2004). En el caso de las

viviendas, se trata de bienes heterogéneos compuestos por diferentes características cuya

valoración marginal puede ser derivada mediante modelos hedónicos (Rosen, 1974). En

la literatura de mercado inmobiliario se suele identificar como determinantes del precio a

las características de las viviendas transadas, como son: metraje, número de habitaciones

y amenities. Asimismo, otros factores pueden ser incluidos como determinantes del

precio, siguiendo a De Bruyne y Van Hove (2013), estos pueden agruparse como sigue.

5 “Demanda de Alquileres en Montevideo: Caracterización de los hogares y mecanismo de ajuste de precios” (Pareschi

F, Domínguez M., Fornasari N., Lanzilotta B.) y “Determinantes macroeconómicos del precio de la vivienda en Montevideo” (Domínguez M., Fornasari N., Lanzilotta B., Pareschi F.) 6 De acuerdo a la revisión realizada por Goodman (1998), el primer trabajo fue realizado por Adrew Court en 1939 y

el término fue popularizado por Griliches en los sesenta.

4

1. Factores asociados al equilibrio del mercado inmobiliario, como la disponibilidad

de viviendas. Que depende del número de transacciones sobre el stock y la

modificación del mismo mediante nuevos proyectos de desarrollo inmobiliario.

En esta línea, los precios de las viviendas pueden estar afectados por los precios

de las viviendas vecinas dado un efecto equilibrio.

2. Factores sociodemográficos, como el crecimiento de la población, emigración e

inmigración y variaciones del nivel de ingresos tendrían efectos sobre la demanda

que a su vez modificaría el precio de las viviendas.

3. La localización geográfica se presenta como un determinante importante del

precio de las viviendas. Esta engloba aspectos asociados a ella tales como el

acceso a espacios verdes, distancia a los centros de actividad, servicios básicos,

conectividad y otros elementos que son comunes a todas las viviendas que

pertenecen a determinada zona.

En el campo de la econometría espacial7 distintos enfoques han sido tomados para

modelizar estos efectos geográficos. La modelización mediante efectos fijos permite

derivar el efecto asociado a cada barrio, mientras que los efectos de unidades vecinas

pueden incorporarse mediante modelos que incorporen la dimensión espacial.

En este documento se estimará un modelo de precios hedónicos mediante técnicas de

panel que incluyan tanto efectos fijos como efectos geográficos.

Antecedentes Nacionales

La literatura nacional sobre modelos hedónicos para el mercado de viviendas de

Montevideo es escasa. De todas formas, se reconocen dos importantes antecedentes.

En primer lugar, y como antecedente más directo, se encuentra el trabajo realizado por

Carlomagno y Fernández (2007) quienes utilizan un panel de 11 barrios de Montevideo

para los años 1999 – 2005. En su trabajo determinaron que la profundidad del mercado,

el ingreso de los hogares y el tamaño de los mismos fueron determinantes de la evolución

del precio de la vivienda. Mediante los efectos fijos lograron estimar la medida de los

efectos barrios, concluyendo que los barrios costeros presentan un efecto fijo positivo.

En segundo término, se encuentra el trabajo de Ponce y Tubio (2013) que realiza una

sistematización de las técnicas para la elaboración de un índice de precios para el mercado

inmobiliario, así como la estimación de un modelo hedónico para Montevideo a partir de

los micro datos generados siguiendo avisos clasificados de Infocasas (sitio web

especializado). En su trabajo detectan la existencia de mercados homogéneos para

Montevideo, donde la valoración de las características de las viviendas es similar.

7 Subdisciplina dentro de la econometría general que supone resolver la presencia de efectos espaciales: la

heterogeneidad y la dependencia espacial.

5

Marco metodológico: econometría espacial

En esta sección se realiza una breve introducción a los modelos de econometría espacial

para datos de panel. Una revisión de estos modelos puede encontrarse en Aneselin (1998),

mientras que en Anselin y Arribas-Bel (2011) se discute la manera de estimar los efectos

fijos y dependencia espacial. A continuación, se seguirá la notación presentada por

Elhorst (2014).

Los modelos de panel plantean la observación de N unidades o individuos durante T

periodos. En este caso, los datos recogen observaciones para los barrios de Montevideo

para el periodo 2001-2014.

Estos modelos pueden plantearse en forma general mediante las siguientes ecuaciones.

{Yt = δWYt + α1n + Xtβ + WXtθ + μt + ξ1n + μt

μt = λWμt + εt

Donde Yt es un vector con la variable de respuesta según barrio, en este caso el precio

promedio por metro cuadrado. La matriz W, indica la distancia entre las observaciones,

es decir cómo se relacionan. Esta es generalmente exógena al modelo y puede ser definida

previamente de acuerdo a la cercanía de las observaciones o contigüidad. Por otra parte

Xt refiere a las características del barrio (ej.: ingreso de los hogares) o transacciones

realizadas en el mismo (ej.: número de operaciones, metraje promedio).

En este caso WYt denota la interacción endógena entre los precios de los barrios vecinos,

este efecto es recogido por el coeficiente δ. En tanto WXt refleja la interacción de las

exógenas o determinantes rezagadas sobre las variables independientes, la cual está

asociada al coeficiente θ. Por último Wμt refleja la interacción entre los errores, el cual

se vincula al coeficiente λ.

Esta forma general representa una familia de modelos que pueden ser obtenidos

imponiendo restricciones a los parámetros, siendo los más habituales el modelo donde se

incluye únicamente interacción entre los errores (spatial error models), únicamente el

rezago de la variable dependiente (spatial lag models) o una combinación de los dos

modelos anteriores (spatial lag error model).

El uso de modelos con un rezago espacial se vuelve de particular interés si se sospecha

que existe un mecanismo de equilibrio que relacione el valor de la variable Yt y sus

vecinos. En el caso de los mercados inmobiliarios no es extraño suponer que dos barrios

cercanos presenten precios similares por un efecto de equilibrio, por lo cual este

parámetro tiene una interpretación directa.

6

Finalmente, a partir de la estimación de un modelo de efectos fijos, pueden recuperarse8

tanto los efectos específicos por barrio (ξ efectos fijos individuales) como los efectos fijos

temporales (μ = (u1, … , uT)t) .

Siendo de particular interés la introducción de los efectos individuales ya que capturarían

efectos idiosincráticos que se mantienen constante a la lo largo del tiempo y pueden ser

determinantes de la variación geográfica.

Datos

Para llevar adelante este tipo de estudios lo ideal es contar con información individual de

las transacciones realizadas de manera de poder caracterizarlas adecuadamente. Sin

embargo, dada la limitada disponibilidad de datos públicos, este estudio seguirá las

estadísticas agregadas por unidades geográficas según tipo de propiedad (propiedad

común /propiedad horizontal) para el periodo 2001-2014. Datos estimados por el Instituto

Nacional de Estadística (INE) a partir de los registros de la Dirección General de Registro

(DGR), siguiendo criterios de calidad para eliminar las observaciones atípicas.9

El INE reconoce dos tipos de propiedad: propiedad común y propiedad horizontal.

Siguiendo la definición legal10 adoptada por el instituto, se considera como Propiedad

Común las que pertenecen a un único propietario. Mientras que, la Propiedad Horizontal

refiere al caso de copropiedad del suelo y construcción, el precio y metraje refiere

únicamente a la unidad transada y no al conjunto de la propiedad. Dada la distinta

naturaleza de los dos tipos de propiedad el análisis en este trabajo se realizará de manera

separada.

En síntesis, la información con la que se cuenta es el promedio del precio por metro

cuadrado según barrio y tipo de propiedad, el número de operaciones y el número de

metros cuadrados transados. A partir de estos datos es posible calcular el promedio de

los metros cuadrados de las transacciones para cada barrio y tipo de operación.

Adicionalmente, se complementarán los datos provistos por el INE con los datos censales

y estimaciones de las Encuestas Continuas de Hogares (ECH). Mediante el conteo de

viviendas del marco censal se busca aproximar el stock de viviendas, que en conjunto con

el número de operaciones se puede calcular el número de operaciones sobre el stock de

viviendas. Asimismo, a partir de la ECH se estimó el ingreso promedio per cápita de los

hogares en dólares según barrio para obtener una noción de poder adquisitivo por barrio.

8 Si bien la estrategia de estimación planteada barre con los efectos fijos estos pueden recuperase en subsiguientes

etapas, una breve referencia puede encontrarse en Milo & Piras (2012) 9 Ver sección 1.01 informe de mercado Inmobiliario 2011 (enlace), pagina 101. 10 La siguiente definición es tomada del Informe del Mercado Inmobiliario 2011

7

Por último, se georreferenciaron los permisos de la construcción de la Intendencia de

Montevideo11, pudiendo entonces obtenerse el número de permisos de la construcción

para vivienda (obra nueva) según barrio.

Caracterización del mercado inmobiliario

Habiendo definido los barrios como un factor determinante del precio en este capítulo se

realizará un análisis descriptivo por barrio a partir de los datos agregados antes

mencionados para las variables seleccionadas (stock de viviendas, permisos de

construcción, transacciones realizadas, precio del metro cuadrado) durante el periodo

2001-2014.

Corresponde notar que los barrios de Montevideo corresponden a 62 agrupaciones

geográficas realizadas por el INE en 1985 y se mantienen al día de la fecha lo que facilita

la comparabilidad.12

Stock de viviendas y permisos de la construcción

A partir de la información brindada por el conteo de viviendas de los censos de 2004 y

2011 se puede tener una noción del stock de viviendas de Montevideo y su variación.

Como se observa en la Figura 1 - Conteo de viviendas, Censo 2004 y 2011, el número de

viviendas se concentra fuertemente en la sección costera este de Montevideo, lo cual no

ha variado significativamente entre ambos censos.

Figura 1 - Conteo de viviendas, Censo 2004 y 2011

Fuente: Elaboración propia en base a datos INE, CENSO 2011 y CENSO 2004.

El promedio entre los dos censos puede ser utilizado para obtener una idea de la

profundidad del mercado en el barrio (Figura 2 - Promedio de viviendas entre censos

(2004-2011), y mediante la variación entre ambos censos se puede observar la evolución

del stock de vivienda (Figura 3).

11 Esta aproximación adolece de algunos inconvenientes ya que no se pudo lograr un 100% de precisión, perdiéndose en promedio el 2% de los casos por año. 12 La definición de estas unidades geográficas aproximada se presenta en el Anexo.

8

Se observa que Pocitos representa el 6% del stock de viviendas, seguido por Cordón (4%)

y en tercer término con un 3% se encuentra Unión, Buceo, Parque Batlle y Villas Dolores.

Estos siete barrios agrupan cerca del 20% del stock de viviendas.

Al estudiar las variaciones entre los censos se observa una variación negativa en el

número de viviendas en los siguientes barrios de Montevideo: Colón Sureste, Abayuba,

Jardines del Hipódromo, Manga, Toledo Chico. La Paloma, Tomkinson, Lezica, Melilla,

Villa Muñoz, Retiro y Ciudad Vieja. Los restantes barrios presentaron una variación

positiva, destacándose Bañados de Carrasco que tuvo un crecimiento del 20%.

Figura 2 - Promedio de viviendas entre censos

(2004-2011)

Figura 3 - Variación porcentual entre censos

(2004-2011)

Fuente: Elaboración propia en base a datos INE, CENSO 2011 y CENSO 2004

En cuanto a los permisos de la construcción, nuevamente se constata la concentración en

la zona costera este, donde los barrios de Pocitos y Carrasco se destacan por estar siempre

por encima de la media. En los últimos periodos (2011-2014), se observa que el barrio de

Bañados de Carrasco presenta un dinamismo que lo pone sobre la media de permisos por

barrio. En cuanto a la dinámica global se observa un crecimiento desde 2003 y un

enlentecimiento durante 2013 y 2014.

Figura 4 - Permisos de obra para obra nueva

9

Fuente: Elaboración propia en base a datos de permiso de obra nueva, Intendencia de Montevideo.

Operaciones de compra-venta y dinamismo de los barrios

A partir de los datos de transacciones brindados por el INE se puede crear un mapa que

permita apreciar la trayectoria de las operaciones según barrio (Figura 5 - Operaciones

2001-2014 según barrio). De su análisis se destaca que la mayoría de las transacciones se

concentra sobre la zona costera este de Montevideo, siendo Pocitos, Punta Carretas y

Centro los tres barrios principales.

Adicionalmente, para tener una medida relativa del número de transacciones por barrio,

se mide la cantidad de operaciones sobre el stock de viviendas (Figura 6 - Operaciones

2001-2014 según barrio sobre stock de viviendas). Es decir, que proporción del stock

existente en el barrio representan las viviendas transadas en el mercado de compraventa.

De esta manera es posible obtener una medida imperfecta de dinamismo de cada barrio o

“puntos calientes” de transacciones.

Nuevamente se destaca el dinamismo de la región costera este de Montevideo,

principalmente de Pocitos y Punta Gorda. Los mismos son seguidos por los restantes

barrios de dicha región. Sin embargo, a partir de la mitad del periodo estudiado se observa

un mayor dinamismo de barrios más alejados de la costa y los barrios céntricos ubicados

en la región costera oeste de Montevideo.

Adicionalmente a este efecto temporal, se observa el efecto global de recuperación luego

de la crisis (2002), y un enlentecimiento luego de 2009 lo cual puede vincularse al

desempeño económico general del país y efectos internacionales.

10

Figura 5 - Operaciones 2001-2014 según barrio

Figura 6 - Operaciones 2001-2014 según barrio

sobre stock de viviendas

Fuente: Elaboración propia en base a datos INE, Información de actividad inmobiliaria

Dado que se cuenta con información de operaciones según tipo de vivienda es posible

estudiar la proporción sobre el total de operaciones en cada barrio.

La Figura 7 - Proporción de Operaciones de Propiedad Horizontal sobre el total presenta

la proporción de transacciones de Propiedad Horizontal para cada barrio de Montevideo,

donde el eje vertical muestra la evolución temporal y el horizontal indica el barrio al cual

se hace referencia. La escala puede variar entre 0% y 100%, donde una mayor proporción

de transacciones estaría siendo indicada por los tonos celestes.

Estos resultados evidencian perfiles por barrio bien marcados, que han tenido poca

variación en el tiempo. A modo de ejemplo los barrios de Pocitos (8) y Ciudad Vieja (1)

mantienen un perfil de operaciones asociado a la propiedad horizontal mientras que los

barrios de Peñarol, Lavalleja (34), Cerro (35) y Casabó, Pajas Blancas (36) muestran el

perfil opuesto predominando las transacciones de Propiedad Común.

11

Figura 7 - Proporción de Operaciones de Propiedad Horizontal sobre el total de

viviendas transadas.

Fuente: Elaboración propia en base a datos INE, Información de actividad inmobiliaria

De observar conjuntamente la proporción de operaciones de propiedad horizontal (Figura

7) la cantidad de Operaciones (Figura 5 y 6) por barrio, se puede concluir que en los

barrios donde se registra un mayor dinamismo en las operaciones es en aquellos en donde

las transacciones fueron mayoritariamente de Propiedad Horizontal.

Precio promedio por metro cuadrado

Si se considera la evolución del precio promedio por metro cuadrado según barrio,

diferenciado por tipo de propiedad, tanto para las propiedad común como las propiedades

horizontales se observa una tendencia común de crecimiento del precio por metro

cuadrado (Figura 8 y 9). Si se incorpora la dimensión geográfica al análisis, se aventura

la existencia de correlación espacial, es decir que barrios vecinos tengan comportamientos

similares en precio.

12

Figura 8 - Promedio del precio por metro

cuadrado Propiedad Horizontal según barrio y

año

Figura 9 - Promedio del precio por metro

cuadrado Propiedad Común según barrio y año

Nota: el color blanco representa aquellos barrios en los que el INE no tiene registros de transacciones.

Fuente: Elaboración propia en base a datos INE, Información de actividad inmobiliaria.

De esta forma se intentará estudiar la existencia de correlación espacial en el precio

promedio por metro cuadrado de las viviendas. Para verificar esto se estimó esta

correlación mediante el índice de Moran13 para cada año, utilizando como variable de

distancia la contigüidad o no de los barrios14. Este índice es una medida de resumen del

grado en que los precios de las viviendas de cada barrio son similares a los precios de los

barrios vecinos, es decir, la correlación espacial.

Dada la falta de disponibilidad de datos para los casos de Propiedad Horizontal se

realizaron estimaciones excluyendo los casos de datos faltantes.

En síntesis, de acuerdo a los índices de Moran presentados en la tabla 1 y 2, la correlación

espacial que se observaba en los gráficos entre el precio promedio del metro cuadrado en

13 Sea Z un campo aleatorio real, dotado de un grafo de vecindad entonces el Índice de Moran se define como:

Si el índice da mayor a cero hay correlación espacial positiva (cluster), si da negativo hay correlación negativa (repulsión) en tanto si da nula no hay correlación espacial. La estimación valores críticos para la hipótesis (correlación nula) se realizó por simulación Montecarlo nsim=10.000. 14 Se utilizó una matriz de contigüidad estandarizad por filas.

13

un barrio y sus vecinos resulta ser significativa. Esto sugiere la necesidad de utilizar

modelos que incorporen la dimensión geográfica al análisis.

Tabla 1 - Índice de Moran Precio

promedio por metro cuadrado,

Propiedad Común

Índice p-valor

PC_2001 0.58 0.00

PC_2002 0.51 0.00

PC_2003 0.48 0.00

PC_2004 0.64 0.00

PC_2005 0.58 0.00

PC_2006 0.60 0.00

PC_2007 0.60 0.00

PC_2008 0.67 0.00

PC_2009 0.61 0.00

PC_2010 0.64 0.00

PC_2011 0.66 0.00

PC_2012 0.60 0.00

PC_2013 0.60 0.00

PC_2014 0.64 0.00

Tabla 2 - Índice de Moran Precio

promedio por metro cuadrado,

Propiedad Horizontal

Índice p-valor

PH_2001 0.51 0.00

PH_2002 0.59 0.00

PH_2003 0.56 0.00

PH_2004 0.47 0.00

PH_2005 0.70 0.00

PH_2006 0.69 0.00

PH_2007 0.65 0.00

PH_2008 0.70 0.00

PH_2009 0.71 0.00

PH_2010 0.68 0.00

PH_2011 0.65 0.00

PH_2012 0.60 0.00

PH_2013 0.54 0.00

PH_2014 0.57 0.00

Fuente: Estimación propia en base a datos INE

Estimación de modelos de panel con efectos geográficos

En la sección anterior se corroboró la existencia de correlación espacial en el precio

promedio por metro cuadrado de las viviendas de Montevideo. Esto indicaría que los

precios tienen una evolución conjunta, es decir la evolución del precio en un barrio no es

independiente a la de sus vecinos.

Dado que los modelos presentados en la sección 3 requieren de un panel balanceado15, se

trabajó únicamente con el periodo 2003-2014. Adicionalmente se restringió la muestra a

los barrios que tuvieran más de 5 transacciones de Propiedad Horizontal o Propiedad

Común para asegurar que el precio promedio no estuviera determinado por un único o

pocos casos. A continuación, la Figura 10 presenta los barrios considerados y la definición

de distancia utilizada.

15 El método de estimación propuesto para los modelos de panel con efectos geográficos requiere de una muestra balanceada para su estimación. Un panel balanceado puede definirse como una base donde se observen las mismas unidades en todos los periodos, es decir no existen casos perdidos.

14

Figura 10 - Barrios y definición de distancia utilizada

Ciudad Vieja (CV), Aguada (AGUA), Aires, Puros

(AIPU), Atahualpa (ATA), Barrio Sur (BSUR), Belvedere (BEL),Brazo Oriental (BROR), Buceo

(BUC), Capurro, Bella Vista (CABV), Carrasco

(CAR), Carrasco Norte (CARN), Castro, P. Castellanos (CAPC), Centro (CEN), Cerrito

(CERR), Cerro (CERI) Cordón(COR), Flor de

Maroñas (FMAR), Ituzaingó (ITU), Jacinto Vera (JAVE), Jardines del Hipódromo (JHIP), La

Blanqueada (BLAN), La Comercial (COM), La

Figurita (FIGU), La Teja (TEJ), Larrañaga (LARRA), Las Acacias (ACAC), Las

Canteras(CANT), Malvín (MAL), Malvín Norte

(MALN), Maroñas, Parque Guaraní (MAPG), Mercado Modelo, Bolívar (MMBO),

Nuevo Paris (NUPA), Palermo (PAL), Parque Rodo

(PRODO), Paso de las Duranas (PADU), Peñarol, Lavalleja (PELA), Piedras Blancas (PIBL), Pocitos

(POC), Pque. Batlle, V. Dolores (PBVD), Prado,

Nueva Savona (PRANS), Punta Carretas (PCARR), Punta Gorda (PGOR), Reducto (REDU),

Sayago (SAY), Tres Cruces (TCRU), Tres Ombúes,

Victoria (TOVI), Unión (UNI), Villa Española (VESP), Villa Muñoz, Retiro (VMRE)

Fuente: Elaboración propia en base a datos INE y definición barrios INE1985.

Se estimaron modelos de panel (como los previamente descriptos) para este conjunto de

barrios. Para explicar el precio promedio por metro cuadrado del barrio se utilizó un

modelo que considerara: (i) un efecto de correlación tanto espacial como en los residuos,

(ii) el logaritmo del precio del otro tipo de vivienda buscando obtener el efecto

cruzado16,(iii) el número de operaciones sobre el total de viviendas (como aproximación

la profundidad del mercado), (iv) el nivel de ingreso de los hogares como el logaritmo del

ingreso promedio y (v) el metraje promedio de las operaciones y su trasformación

cuadrática buscando captar comportamientos no lineales.

Adicionalmente se estimaron efectos fijos individuales17. La inclusión de estos efectos

permite recoger efectos invariantes en el tiempo propios de cada uno de los barrios

considerados. Todas las variables de precios utilizadas se encuentran en dólares

constantes.

A continuación, se presentan los resultados de la estimación para Propiedad Horizontal y

Propiedad Común por separado.

16 En el modelo de Propiedad común se utiliza el precio de la Propiedad Horizontal como variable explicativa y

viceversa. 17 Se optó por esta especificación luego de estimar diferentes alternativas. Descartando las variables que no

resultaron significativas.

15

Tabla 3 - Modelo Efectos Fijos Propiedad Común

Coeficiente Error Estándar Estadístico t p-value Significación

Corr. Espacial 0.721 0.038 18.847 0.000 ***

Corr. Residuos -0.739 0.088 -8.388 0.000 ***

Log del promedio Precio mt2 PH 0.172 0.026 6.700 0.000 ***

Profundidad del mercado -0.701 0.661 -1.060 0.289

Log YPC 0.064 0.018 3.507 0.000 ***

Promedio de metros cuadrado -0.003 0.000 -6.806 0.000 ***

Promedio de metros cuadrado ^2 0.000 0.000 3.627 0.000 ***

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Fuente: Estimación propia en base a datos INE

Tabla 4 - Modelo Efectos Fijos Propiedad Horizontal

Coeficiente Error Estándar Estadístico t p-value Significación

Corr. Espacial 0.731 0.037 19.907 0.000 ***

Corr. Residuos -0.794 0.085 -9.361 0.000 ***

Log del promedio Precio mt2 PC 0.194 0.029 6.723 0.000 ***

Profundidad del mercado 1.304 0.696 1.874 0.061 ***.

Log YPC 0.019 0.019 1.023 0.306

Promedio de metros cuadrado -0.017 0.003 -5.032 0.000 ***

Promedio de metros cuadrado ^2 0.000 0.000 3.352 0.001 ***

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Fuente: Estimación propia en base a datos INE

Se observa que tanto el Modelo de Propiedad Común como Propiedad Horizontal

presentan un efecto de correlación espacial positivo el cual puede estar asociado a un

efecto de equilibrio del mercado. Respecto al coeficiente asociado al precio cruzado se

observa un coeficiente positivo, siendo este mayor en el caso del modelo de Propiedad

Común. Esto resulta esperable ya que, si bien no son bienes totalmente sustitutos,

podemos suponer que en la fijación de precios no es independiente entre los dos tipos de

bienes a la interna de cada barrio.

En cuanto a la profundidad del mercado, la mayor liquidez (un proxy para la rapidez a la

que se efectúan las transacciones inmobiliarias) no resulta ser significativa para Propiedad

Común mientras que, en caso de Propiedad Horizontal, ésta si tiene un efecto positivo y

levemente significativo. Considerando que la variable busca captar el efecto de la

profundidad del mercado y que la transacción puede ser considerada como una inversión,

el coeficiente positivo podría responder a que los inversores en Propiedad Horizontal

buscan inversiones más líquidas que los que están en el mercado de Propiedad Común,

lo que explicaría el efecto positivo sobre el precio de la liquidez del mercado.

En cuanto al nivel de ingreso de los hogares (log YPC), se observa que esta relación no

es significativa para el caso de las viviendas de Propiedad Horizontal, mientras que este

efecto es positivo y significativo para el mercado de Propiedad Común.

16

Al observar los coeficientes asociados al metraje se observa una relación no lineal, la cual

está representada en los coeficientes del metro cuadrado y su transformación cuadrática.

El efecto total sobre el logaritmo del precio está simulado en los siguientes gráficos,

aunque su posible interpretación se encuentra limitada dada la naturaleza de los datos

(que corresponde a promedio por barrios).

Figura 11 - Efecto metraje Propiedad

Horizontal

Figura 12 - Efecto metraje Propiedad

Común

Debido a la utilización de datos agregados por barrio en lugar de por unidad habitacional,

no es posible diferenciar la composición por tramos de tamaño de las transacciones

realizadas en cada barrio. La utilización de datos desagregados permitiría tener una

medición más precisa del impacto del tamaño de la vivienda sobre el precio final.

Efectos Barrio

Finalmente, a partir de estos modelos es posible derivar los efectos individuales para cada

barrio los cuales se presentan en la

La estimación permite realizar pruebas de significación para cada parámetro individual

(véase la significación de los coeficientes en las tablas 3 y 4). Para la especificación del

modelo seleccionado se observa que existe un mayor número de efectos individuales

significativos (tanto positivos como negativos) en el mercado de Propiedad Común que

en el mercado de Propiedad Horizontal.

En el caso de Propiedad Común los barrios de Punta Carretas, Malvín, Carrasco, Punta

Gorda y Prado Nueva Savona presentan coeficientes positivos y significativos mientras

que Malvín Norte, Las Canteras y Peñarol, Lavalleja presentan coeficientes negativos y

significativos al 10%.

17

Tabla 5 - Efectos Fijos según resaltando en negrita los efectos positivos y con fondo gris

los coeficientes negativos.

La estimación permite realizar pruebas de significación para cada parámetro individual

(véase la significación de los coeficientes en las tablas 3 y 4). Para la especificación del

modelo seleccionado se observa que existe un mayor número de efectos individuales

significativos (tanto positivos como negativos) en el mercado de Propiedad Común que

en el mercado de Propiedad Horizontal.

En el caso de Propiedad Común los barrios de Punta Carretas, Malvín, Carrasco, Punta

Gorda y Prado Nueva Savona presentan coeficientes positivos y significativos mientras

que Malvín Norte, Las Canteras y Peñarol, Lavalleja presentan coeficientes negativos y

significativos al 10%.

Tabla 5 - Efectos Fijos según tipo de propiedad

Variable

Efectos Fijos Propiedad Común Efectos Fijos Propiedad Horizontal

Coef.

Desvío

estánda

r

Estad. t

p-

valu

e

Coef. Desvío

estándar

Estad.

t

p-

value

Intercepto 0.61 0.20 3.05 0.00 ** 1.23 0.25 4.95 0.00 ***

Ciudad

Vieja 0.33 0.21 1.57 0.12 0.02 0.25 0.10 0.92

Centro 0.16 0.22 0.76 0.45 0.12 0.26 0.46 0.64

Barrio Sur 0.02 0.21 0.11 0.91 0.03 0.25 0.13 0.90

Cordón 0.05 0.21 0.23 0.82 0.04 0.26 0.16 0.87

Palermo 0.00 0.21 -0.01 0.99 0.12 0.25 0.46 0.64

Parque

Rodo 0.16 0.22 0.75 0.45 0.11 0.27 0.39 0.69

Punta

Carretas 0.38 0.22 1.71 0.09 . 0.26 0.28 0.95 0.34

Buceo 0.10 0.21 0.48 0.63 0.20 0.27 0.75 0.45

Pque.

Batlle, V.

Dolores 0.29 0.21 1.38 0.17 -0.01 0.27 -0.03 0.98

Malvín 0.40 0.22 1.85 0.06 . 0.32 0.27 1.17 0.24

Malvín

Norte -0.44 0.20 -2.21 0.03 * -0.31 0.24 -1.27 0.20

Punta

Gorda 0.42 0.22 1.89 0.06 . 0.21 0.28 0.74 0.46

Carrasco 0.43 0.23 1.88 0.06 . 0.24 0.28 0.88 0.38

Carrasco

Norte 0.15 0.22 0.67 0.50 0.31 0.27 1.15 0.25

Maroñas,

Parque

Guaraní

-0.14 0.19 -0.72 0.47 -0.17 0.24 -0.69 0.49

Flor de

Maroñas -0.04 0.19 -0.19 0.85 -0.20 0.24 -0.82 0.41

Las

Canteras -0.36 0.20 -1.79 0.07 . -0.10 0.25 -0.40 0.69

18

Jardines

del

Hipódromo

-0.16 0.19 -0.87 0.38 -0.25 0.23 -1.07 0.29

Ituzaingó -0.24 0.19 -1.25 0.21 -0.05 0.24 -0.20 0.84

Unión -0.13 0.20 -0.65 0.51 -0.03 0.25 -0.12 0.90

Villa

Española -0.23 0.20 -1.17 0.24 -0.14 0.24 -0.58 0.56

Mercado

Modelo,

Bolívar 0.02 0.21 0.09 0.93 0.12 0.25 0.50 0.62

Castro, P.

Castellanos 0.05 0.20 0.27 0.79 -0.11 0.24 -0.47 0.64

Cerrito -0.22 0.20 -1.13 0.26 -0.15 0.24 -0.62 0.53

Las

Acacias -0.29 0.19 -1.50 0.13 -0.12 0.24 -0.52 0.60

Aires

Puros -0.12 0.20 -0.60 0.55 0.08 0.25 0.32 0.75

Piedras

Blancas -0.17 0.19 -0.88 0.38 0.12 0.24 0.51 0.61

Paso de las

Duranas 0.09 0.20 0.45 0.65 0.04 0.25 0.17 0.87

Peñarol,

Lavalleja -0.38 0.19 -1.97 0.05 * -0.42 0.24 -1.75 0.08 .

Cerro -0.22 0.19 -1.13 0.26 -0.08 0.24 -0.32 0.75

Prado,

Nueva

Savona 0.38 0.21 1.83 0.07 . 0.15 0.26 0.56 0.58

Capurro,

Bella Vista 0.05 0.21 0.26 0.80 0.20 0.25 0.78 0.43

Aguada -0.03 0.21 -0.15 0.88 0.08 0.25 0.34 0.74

Reducto -0.20 0.20 -0.99 0.32 -0.06 0.25 -0.25 0.81

Atahualpa 0.34 0.21 1.65 0.10 . 0.01 0.26 0.04 0.97

Jacinto

Vera 0.11 0.20 0.53 0.59 -0.13 0.25 -0.49 0.62

La Figurita -0.15 0.20 -0.76 0.45 -0.07 0.25 -0.28 0.78

Larrañaga 0.15 0.21 0.70 0.48 0.06 0.26 0.24 0.81

La

Blanquead

a 0.13 0.21 0.61 0.54 0.00 0.26 -0.01 0.99

Villa

Muñoz,

Retiro

0.00 0.20 -0.02 0.98 -0.15 0.25 -0.61 0.54

La

Comercial -0.09 0.20 -0.46 0.65 -0.09 0.25 -0.35 0.73

Tres

Cruces 0.01 0.21 0.06 0.95 0.14 0.26 0.54 0.59

Brazo

Oriental -0.05 0.20 -0.26 0.80 -0.04 0.25 -0.14 0.89

Sayago -0.02 0.20 -0.08 0.94 0.10 0.25 0.42 0.67

Nuevo

Paris -0.28 0.19 -1.47 0.14 -0.21 0.23 -0.92 0.36

Tres

Ombúes,

Victoria

-0.19 0.19 -1.02 0.31 -0.17 0.23 -0.73 0.46

Pocitos 0.32 0.22 1.46 0.15 0.21 0.28 0.75 0.45

Belvedere -0.14 0.20 -0.73 0.47 -0.09 0.25 -0.38 0.71

La Teja -0.27 0.20 -1.39 0.17 -0.16 0.24 -0.67 0.50

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

19

Estos resultados por barrio pueden presentarse sobre el mapa de Montevideo. Se observa

que los menores efectos fijos tanto para Propiedad Común como para Propiedad

Horizontal están asociados a los barrios de Peñarol y Malvín Norte, mientras que los

valores más altos se encuentran en la zona costera de Montevideo para Propiedad

Horizontal y a estos se agrega Prado Nueva Savona y Atahualpa para Propiedad común.

Figura 13 - Efecto Fijo Propiedad Común

Fuente: Elaboración propia.

Figura 14 - Efecto fijo Propiedad Horizontal

Fuente: Elaboración propia.

Con el fin de tener una medida de resumen de los efectos barrios se utilizaron técnicas de

análisis de clúster, conglomerados. Partiendo de ambos efectos fijo, en propiedad común

y horizontal, se buscó obtener agrupaciones donde los efectos sean lo más homogéneos

posible. El resultado de este análisis se presenta en el dendrograma18 (Figura 15), en el

gráfico de dispersión y agrupamiento (Figura 16) y en la Tabla 6 donde se presentan los

clústeres reconocidos.

Figura 15 - Dendrograma Efectos Fijos

18 El dendrograma es una representación gráfica del proceso de agrupamiento, la forma de árbol jerárquico permite

observar el proceso a través del cual se fueron uniendo las observaciones.

20

Fuente: Elaboración propia.

Figura 16 - Gráfico de dispersión y Agrupamientos

Fuente: Elaboración propia

Tabla 6 - Pertenencia a Grupos

Grupo 1 Grupo 2 Grupo 3

Ciudad Vieja Centro Piedras Blancas Malvín Norte Cerro

Punta Carretas Barrio Sur Paso de las

Duranas

Maroñas, Parque

Guaraní Reducto

Pque. Batlle, V.

Dolores Cordón

Capurro, Bella

Vista Flor de Maroñas Jacinto Vera

Malvín Palermo Aguada Las Canteras La Figurita

Punta Gorda Parque Rodo Larrañaga Jardines del

Hipódromo

Villa Muñoz,

Retiro

Carrasco Buceo La Blanqueada Ituzaingó La Comercial

Prado, Nueva

Savona Carrasco Norte Tres Cruces Unión Brazo Oriental

Atahualpa Mercado Modelo,

Bolívar Sayago Villa Española Nuevo Paris

Pocitos Aires Puros Castro, P.

Castellanos

Tres Ombúes,

Victoria

Cerrito Belvedere

Las Acacias La Teja

Peñarol, Lavalleja.

Fuente: Elaboración propia

El grupo 1 está constituido por los barrios costeros de la zona este de Montevideo, Ciudad

Vieja, Parque Batlle Villa Dolores, Prado Nueva Savona y Atahualpa. Estos presentan

mayoritariamente un efecto fijo positivo tanto para Propiedad Común como Horizontal.

Por otra parte, el grupo 2 está conformado por los barrios que presentan efectos fijos

positivos para la propiedad Horizontal, siendo Carrasco norte el que presenta un

parámetro mayor. Respecto al efecto relacionado a la Propiedad Común este grupo

21

presenta barrios en ambos lados del espectro destacándose Aires Puros y Piedras Blancas

los cuales se encuentran más alejados presentando un negativo.

Finalmente, el grupo 3 está constituido por los barrios que presentaron un parámetro

negativo tanto para Propiedad Común como Horizontal siendo las únicas excepciones

Jacinto Vera y Castro, P. Castellanos que presentaron un parámetro positivo en cuanto a

Propiedad Común.

Conclusiones

A través de la estimación de paneles que incorporan la dimensión geográfica se logró

estimar los determinantes del precio por metro cuadrado promedio según barrio y tipo de

propiedad. Para el caso de Propiedad Común el efecto de precio cruzado, el ingreso de

los hogares y los efectos geográficos resultaron ser significativos mientras que no lo fue

la profundidad del mercado. Mientras que para las viviendas Propiedad Horizontal

resultaron significativas el efecto precio cruzado, la profundidad del mercado, el metraje

promedio y los efectos geográficos.

Los efectos geográficos pueden resumirse en: (i) el efecto de equilibrio asociado al

parámetro de correlación espacial, pudiendo considerar este efecto como de equilibrio de

mercado, (ii) la correlación de los errores debido a factores no observados y (iii) los

efectos fijos individuales es decir los efectos idiosincráticos de los barrios.

En función de los efectos barrio se buscó obtener una medida de resumen que permitiera

concluir sobre la existencia de comportamientos homogéneos. A través del análisis de

clúster se pudo concluir que parecerían existir tres grupos diferenciados en cuanto a los

efectos idiosincráticos. De acuerdo a las características de estos grupos, éstos podrían ser

explicados por el acceso a bienes públicos (costa y espacios verdes) y la distancia a los

centros urbanos donde se concentra la actividad. De todas formas, estas hipótesis deberán

ser testeadas en futuros trabajos de investigación.

Es importante mencionar las limitaciones enfrentadas durante este estudio, ya que no se

contó con acceso a microdatos que permitieran estimar el efecto de las características

específicas de las viviendas. Al respecto, el acceso a datos de transacciones individuales

permitiría en un futuro realizar mejores estimaciones a estos retornos, obtener mediciones

de efecto localización más depurados y ahondar en estos determinantes.

Entender el comportamiento de estos determinantes permitirá conocer mejor el

mecanismo de fijación de precios, lo cual podrá ser de utilidad para la facilitación de las

transacciones inmobiliarias (posibilitando determinar con sencillez si los precios de

determinadas transacciones se encuentran alineados con sus determinantes o por encima

de la media predicha por el modelo). Asimismo, podría ser un insumo fundamental para

la realización de avalúos de propiedades y la determinación de los valores catastrales.

22

Referencias

Anselin, L., & Arribas-Bel, D. (2011). Spatial fixed effects and spatial dependence (No. 1045).

GeoDa Center for Geospatial Analysis and Computation.

Baltagi, B. H., & Bresson, G. (2011). Maximum likelihood estimation and Lagrange multiplier

tests for panel seemingly unrelated regressions with spatial lag and spatial errors: An application

to hedonic housing prices in Paris. Journal of Urban Economics, 69(1), 24-42.

Brady, R. R. (2014). The spatial diffusion of regional housing prices across US states. Regional

Science and Urban Economics, 46, 150-166.

Carlomagno, G., & Fernández, A. (2007) El precio de los bienes inmuebles: un estudio agregado

y comparado para algunos barrios de Montevideo.

Cohen, J. P., Ioannides, Y. M., & Thanapisitikul, W. W. (2016). Spatial effects and house price

dynamics in the USA. Journal of Housing Economics, 31, 1-13.

Croissant, Y., & Millo, G. (2008). Panel data econometrics in R: The plm package. Journal of

Statistical Software, 27(2), 1-43.

Domínguez, M., Fornasari, N. Lanzilotta, B. y Pareschi, F. (2016) Determinantes

macroeconómicos del precio de la vivienda en Montevideo. Documento de Trabajo CEEIC

Bruyne, K., & Van Hove, J. (2013). Explaining the spatial variation in housing prices: an

economic geography approach. Applied Economics, 45(13), 1673-1689.

Elhorst, J. P. (2014). Spatial econometrics: from cross-sectional data to spatial panels (pp.

20-25). New York: Springer.

Goodman, A. C. (1998). Andrew Court and the invention of hedonic price analysis. Journal of

urban economics, 44(2), 291-298.

Instituto Nacional de Estadística (INE). “Indicadores de actividad y precios del sector

inmobiliario.” Varias ediciones

Millo, G., & Piras, G. (2012). splm: Spatial panel data models in R. Journal of Statistical Software,

47(1), 1-38.

Pebesma, E. (2012). spacetime: Spatio-temporal data in r. Journal of Statistical Software, 51(7),

1-30.

Ponce, J., & Tubio, M. (2013). Precios de inmuebles: aproximaciones metodológicas y aplicación

empírica (No. 2013005).

Triplett, J. (2004). “Zvi Griliches’ Contributions to Economic Measurement: Address given

September 22, 2003”. CRIW Conference in Memory of Zvi Griliches, Bethesda, Maryland.

National Bureau of Economic Research (NBER)

Pareschi F., Dominguez M., Fornasari N., Lanzilotta B. (2016) Demanda de alquileres en

Montevideo: caracterización de los hogares y mecanismo de ajuste de precios. Documento de

Trabajo CEEIC

23

1. ANEXO – CODIFICACIÓN DE ÁREAS APROXIMADAS A

BARRIOS DE MONTEVIDEO, INE 1985

NOMBRE CÓD NOMBRE COD

Ciudad Vieja 1 Manga, Toledo

Chico 32

Centro 2 Paso de las

Duranas 33

Barrio Sur 3 Peñarol, Lavalleja 34

Cordón 4 Cerro 35

Palermo 5 Casabó, Pajas

Blancas 36

Parque Rodó 6 La Paloma,

Tomkinson 37

Punta

Carretas 7 La Teja 38

Pocitos 8 Prado, Nueva

Savona 39

Buceo 9 Capurro, Bella

Vista 40

Parque Batlle,

Villa Dolores 10 Aguada 41

Malvín 11 Reducto 42

Malvín Norte 12 Atahualpa 43

Punta Gorda 13 Jacinto Vera 44

Carrasco 14 La Figurita 45

Carrasco

Norte 15 Larrañaga 46

Bañados de

Carrasco 16 La Blanqueada 47

Maroñas,

Parque

Guaraní

17 Villa Muñoz,

Retiro 48

Flor de

Maroñas 18 La Comercial 49

Las Canteras 19 Tres Cruces 50

Punta Rieles,

Bella Italia 20 Brazo Oriental 51

Jardines del

Hipódromo 21 Sayago 52

Ituzaingó 22 Conciliación 53

Unión 23 Belvedere 54

Villa

Española 24 Nuevo París 55

Mercado

Modelo,

Bolívar

25 Tres Ombúes,

Victoria 56

Castro, P.

Castellanos 26 Paso de la Arena 57

Cerrito 27 Colón Sureste,

Abayubá 58

Las Acacias 28 Colón Centro y

Noroeste 59

Aires Puros 29 Lezica, Melilla 60

Casavalle 30 Villa García,

Manga Rural 61

Piedras

Blancas 31 Manga 62

Fuente: Elaboración propia en base a datos INE y definición barrios INE 1985.